Detecting deception, partisan, and social biases
- Autores: Javier Sánchez Junquera
- Directores de la Tesis: Manuel Montes y Gómez (dir. tes.), Paolo Rosso (dir. tes.), Simone Paolo Ponzetto (dir. tes.)
- Lectura: En la Universitat Politècnica de València ( España ) en 2022
- Idioma: español
- Tribunal Calificador de la Tesis: Raquel Martínez Unanue (presid.), David Tomás Díaz (secret.), Éric SanJuan (voc.)
- Programa de doctorado: Programa de Doctorado en Informática por la Universitat Politècnica de València
- Materias:
- Enlaces
- Tesis en acceso abierto en: RiuNet
- Resumen
- español
Hoy, el mundo político tiene tanto o más impacto en la sociedad que la sociedad en el mundo político. Los líderes políticos, o representantes de partidos políticos, utilizan su poder en los medios de comunicación para modificar posiciones ideológicas y llegar a la gente con el fin de ganar popularidad en las elecciones gubernamentales.
Mediante un lenguaje engañoso, los textos políticos pueden contener sesgos partidistas y sociales que socavan la percepción de la realidad. Como resultado, la polarización política dañina aumenta porque los seguidores de una ideología, o miembros de una categoría social, ven a otros grupos como una amenaza o competencia, lo que termina en agresiones verbales y físicas con resultados desafortunados.
La comunidad de Procesamiento del Lenguaje Natural (NLP) tiene nuevos aportes todos los días con enfoques que ayudan a detectar discursos de odio, insultos, mensajes ofensivos e información falsa, entre otras tareas computacionales relacionadas con las ciencias sociales. Sin embargo, muchos obstáculos impiden erradicar estos problemas, como la dificultad de contar con textos anotados, las limitaciones de los enfoques no interdisciplinarios y el desafío agregado por la necesidad de soluciones interpretables.
Esta tesis se centra en la detección de sesgos partidistas y sociales, tomando como casos de estudio el hiperpartidismo y los estereotipos sobre los inmigrantes. Proponemos un modelo basado en una técnica de enmascaramiento que puede detectar lenguaje engañoso en temas controvertidos y no controvertidos, capturando patrones relacionados con el estilo y el contenido. Además, abordamos el problema mediante la evaluación de modelos basados en BERT, conocidos por ser efectivos para capturar patrones semánticos y sintácticos en la misma representación. Comparamos estos dos enfoques (la técnica de enmascaramiento y los modelos basados en BERT) en términos de su desempeño y la explicabilidad de sus decisiones en la detección de hiperpartidismo en noticias políticas y estereotipos de inmigrantes. Para identificar estereotipos de inmigrantes, proponemos una nueva taxonomía apoyada en la teoría de la psicología social y anotamos un conjunto de datos de intervenciones partidistas en el parlamento español. Los resultados muestran que nuestros modelos pueden ayudar a estudiar el hiperpartidismo e identificar diferentes marcos en los que los ciudadanos y los políticos perciben a los inmigrantes como víctimas, recursos económicos o amenazas. Finalmente, esta investigación interdisciplinaria demuestra que los estereotipos de inmigrantes se utilizan como estrategia retórica en contextos políticos.
- English
Today, the political world has as much or more impact on society than society has on the political world. Political leaders, or representatives of political parties, use their power in the media to modify ideological positions and reach the people in order to gain popularity in government elections.
Through deceptive language, political texts may contain partisan and social biases that undermine the perception of reality. As a result, harmful political polarization increases because the followers of an ideology, or members of a social category, see other groups as a threat or competition, ending in verbal and physical aggression with unfortunate outcomes.
The Natural Language Processing (NLP) community has new contri-butions every day with approaches that help detect hate speech, insults, of f ensive messages, and false information, among other computational tasks related to social sciences. However, many obstacles prevent eradicating these problems, such as the dif f i culty of having annotated texts, the limitations of non-interdisciplinary approaches, and the challenge added by the necessity of interpretable solutions.
This thesis focuses on the detection of partisan and social biases, tak-ing hyperpartisanship and stereotypes about immigrants as case studies. We propose a model based on a masking technique that can detect deceptive language in controversial and non-controversial topics, capturing patterns related to style and content. Moreover, we address the problem by evalu-ating BERT-based models, known to be ef f ective at capturing semantic and syntactic patterns in the same representation. We compare these two ap-proaches (the masking technique and the BERT-based models) in terms of their performance and the explainability of their decisions in the detection of hyperpartisanship in political news and immigrant stereotypes. In order to identify immigrant stereotypes, we propose a new taxonomy supported by social psychology theory and annotate a dataset from partisan interventions in the Spanish parliament. Results show that our models can help study hyperpartisanship and identify dif f erent frames in which citizens and politi-cians perceive immigrants as victims, economic resources, or threat. Finally, this interdisciplinary research proves that immigrant stereotypes are used as a rhetorical strategy in political contexts.
- español
